随着无人驾驶汽车概念的普及,SLAM定位技术（Simultaneous Localization and Mapping,SLAM）在国内外研究者中受到广泛关注,它使用相机或激光雷达等传感器,实现在陌生环境中同时进行建图和定位的功能,辅助自动驾驶车辆完成决策规划,以执行自动驾驶任务。视觉SLAM使用相机作为主传感器,可以从环境中获取大量信息,由于相机遵循光学原理进行成像,因此对外界光照较为敏感。当前主流视觉SLAM算法主要依靠提取特征点完成里程计的计算,在纹理缺失或弱纹理环境下难以进行有效定位。此外,传统SLAM算法大都基于静态环境的假设,当运行环境中出现较多动态物体时,会由于动态特征的错误匹配引入大量误差而导致偏离真实位姿。为解决上述问题,本文提出一种基于立体视觉与惯性导航的SLAM系统。首先提出一种快速剔除动态特征的方法,仅依靠静态特征进行后续里程计的计算,之后将惯性测量单元（Inertial Measurement Unit,IMU）与双目相机进行融合,以解决相机快速运动或在光照变化、动态物体干扰等条件下运行时易定位失败的问题。本文主要工作内容如下:（1）研究了双目相机的投影与畸变模型,推导了三维物理世界到图像的坐标转换关系,通过构建去畸变相机模型,为后续视觉里程计的精确计算奠定了基础。（2）为减小动态物体对视觉SLAM的干扰,提出了一种基于聚类的特征分割及动态特征剔除方法。首先构建了一种基于两帧图像的特征运动向量,通过计算前后帧图像上特征点的匹配关系,生成一组特征运动向量;之后联合使用Canopy与模糊C均值（Fuzzy C-Means,FCM）聚类算法,将特征点按运动特性的不同进行分割;最后利用运动一致性验证并剔除动态特征。（3）研究了视觉里程计的构建方法,并基于动态特征剔除方法构建了纯视觉动态SLAM系统。首先使用逆向组合光流跟踪前一帧中的特征点;之后使用静态特征点求解相机的位姿变换,并结合所提出的动态特征剔除方法剔除动态特征点,当特征点数较少时提取额外特征;最后使用在线词袋模型进行回环检测,并使用列文伯格-马夸尔特方法最小化重投影误差,进行后端优化。（4）为弥补纯视觉SLAM在光照变化环境下易定位失败及纯视觉SLAM的动态分割步骤中没有运动先验的缺陷,将IMU与视觉传感器融合,构建了双目视觉惯性SLAM系统。首先构建了惯性测量模型,使用预积分处理IMU数据,并研究了视觉惯性对齐过程;之后依据双目相机与IMU的标定信息,在纯视觉SLAM的基础上,增加了惯性残差,以构建完整的视觉惯性优化模块,矫正系统长时间运行带来的累积漂移。（5）为验证本文算法的有效性,进行了实验验证,包括基于TUM动态数据集进行的OV2SLAM算法与本文动态视觉SLAM的对比实验、基于KITTI数据集进行的动态视觉SLAM与视觉惯性SLAM的对比实验,并使用INDEMIND双目视觉惯性模组在动态环境下采集多组数据,基于ROS平台进行了实际场景测试。以上实验结果表明,本文所提出动态分割算法可以剔除绝大部分动态特征,加强了视觉SLAM在动态环境下的鲁棒性,可以在不使用GPU的条件下实时运行,惯性传感器的加入进一步降低了绝对位姿误差和相对位姿误差,并减小了动态特征剔除阶段误剔除静态特征的可能性,加强了SLAM系统的稳定性。